[发明专利]一种基于神经网络的卵巢卵泡自动计数的方法

权利要求书

1.一种基于神经网络的卵巢卵泡自动计数的方法，其特征在于，该方法具体包括以下步骤：

步骤一：将所有的数据利用随机种子的方式，将数据集划分成训练集、验证集和测试集；每一次的神经网络输入的数据包含原始图片和标记图片；

步骤二：在训练网络模型时对训练集使用数据增强的方法对预输入的图片进行处理，并将图片数据转化成向量形式；

步骤三：加载预训练模型的参数初始化神经网络，执行前向传播计算网络参数，并将得到的输出向量Oⁱ经过Log_Softmax函数得到每一个像素点分类结果向量yⁱ；此向量yⁱ中权重最大的值便是网络对于每一个像素点预测的最终分类结果，具体公式为yⁱ＝log_soft max(Oⁱ))；得到的分类结果yⁱ和当前正确的标签值分别作为NLLloss损失函数的两个输入，计算损失值；将误差信号传递到每一层的输出，再通过每一层的函数对网络参数的导数，求得网络参数的梯度；再通过随机梯度下降法优化器更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化或最大化损失函数；

步骤四：每一次训练结束之后，计算验证集的交并比并保存IOU最大的模型参数，当训练次数达到一定次数停止训练，并加载IOU最大的模型参数得到神经网络的最终模型，其中为真实值，y为预测值；

步骤五：对步骤四获取的模型为最优模型，将输入数据传入训练好的神经网络获得输出结果，其输出图像格式为RGB图像，通过灰度化处理将RGB图像转化为灰度图像，并建立图像灰度直方图选取能够将不同卵泡分区的阈值，之后按照不同的阈值将卵泡区分开；

步骤六：对步骤五按照不同的阈值将卵泡区分开后获取得的图片分别做噪声的处理，使用了开运算用来消除小物体，使用闭运算填充物体内细小的空洞，其中和分别表示膨胀和腐蚀；

步骤七：针对步骤六噪声处理后的图像，通过距离转换计算出每个像素的值到最近的背景像素的距离得到欧式距离图，然后找到每个局部区域最终的侵蚀点，即越靠近卵泡的中心，对应的值越大，其中X为目标点，B_x是距离X最近的背景点；

步骤八：然后把每一个局部区域的最大值作为分水岭的注水点，从这些点尽可能地扩大每一个标记点的区域，即要么直到局部区域的边缘到达，要么到达另一个标记点的区域的边缘,从而将相互接触的卵泡分割开；

步骤九：针对步骤八的分割结果，对不同的类型的卵泡设定不同的阈值将图片中面积小于给定阈值时将其判定为噪声，采用四邻域的连通区域分析计算并标记图片中连通区域的个数，则连通区域的个数就是卵泡的个数。

2.根据权利要求1所述的基于神经网络的卵巢卵泡自动计数的方法，其特征在于：所述的标记图片是通过不同的颜色对不同卵泡类型进行标记。

3.根据权利要求1所述的基于神经网络的卵巢卵泡自动计数的方法，其特征在于：所述的数据增强的方法包括随机水平翻转、随机竖直翻转、360度随机旋转、对比度、亮度、饱和度、锐化和标准化。